Hoe werkt AI-beeldgeneratie? AI kunst uitgelegd

Weet je nog dat de DALL-E AI-beeldengenerator in 2021 voor iedereen toegankelijk werd?

Het jaar daarop schatte Forbes dat meer dan 1,5 miljoen gebruikers maakten twee miljoen afbeeldingen per dag met DALL-E. 

De kans is groot dat DALL-E ook je eerste stop was als je al eens met AI-gegenereerde kunst hebt gespeeld.

Maar die begindagen waarin AI alleen voor de lol werd gebruikt, zijn al lang voorbij. Tegenwoordig worden AI-gegenereerde afbeeldingen gebruikt voor zakelijke doeleinden. 

A Maart 2023 studie ontdekte dat 36% van de marketeers nu AI gebruikt voor het maken van website visuals, terwijl 39% het gebruikt voor social media content. 

Maar hoewel velen het creatieve potentieel van AI omarmen, begrijpen maar weinigen echt hoe het genereren van AI-beelden achter de schermen werkt. 

Hoe gaat een AI-model van het analyseren van miljoenen afbeeldingen naar het produceren van een gloednieuwe, nooit eerder vertoonde visual op basis van een eenvoudige tekstmelding? 

Dat is precies waar ik je in deze gids doorheen zal leiden. We bespreken wat AI-beeldgeneratie is, hoe het werkt, wat AI-modellen achter de schermen zijn en meer.

Dus laten we beginnen.

Wat is AI-beeldgeneratie?

AI-beeldgeneratie is het proces waarbij modellen van kunstmatige intelligentie worden gebruikt om beelden vanaf nul te creëren. 

Je geeft een paar regels tekst aan een AI-afbeeldingsgenerator en een algoritme dat is getraind op een absurd grote dataset met afbeeldingen, komt binnen een paar seconden met een afbeelding.

Er komen geen kwasten of camera's aan te pas.

De algo is getraind op tonnen schilderijen, foto's en digitale kunstwerken uit alle bestaande levensgebieden en kan nu iets compleet nieuws produceren op basis van jouw instructies.

Met volledig nieuw bedoel ik alles wat een menselijke geest kan bedenken, of het nu echt of onecht, bestaand of niet-bestaand is. 

Vraag bijvoorbeeld om "een cyberpunkstad bij zonsondergang" en AI zal een nooit eerder vertoonde afbeelding maken die overeenkomt met je beschrijving.

En nee, de AI gebruikt geen bestaande foto of kopieert een ander kunstwerk. Het genereert elke keer iets geheel unieks.

Maar hoe zien de beelden eruit?

Nou, de beelden zijn soms prachtig. Soms hilarisch. (Ooit een AI gevraagd om menselijke handen te genereren? Veel succes). 

Complexe scènes met precieze interacties tussen objecten kunnen de AI soms in verwarring brengen, wat leidt tot visuele glitches die eruit zien alsof ze in een alternatieve realiteit thuishoren.

Nieuwere modellen zijn echter veel beter in het tekenen van handen, voeten en andere ingewikkelde details.

Enkele belangrijke AI-afbeeldingsgeneratoren zijn:

• DALL-E
• Stabiele verspreiding
• Reis halverwege 
• Craiyon

Elk van deze heeft zijn eigen sterke punten. Sommigen zijn goed in fotorealisme, terwijl anderen beter zijn in gestileerde kunst.

Kijk eens naar deze pixel art-afbeelding van Stable Diffusion:

Maar hoe doet AI dit eigenlijk op technisch niveau? Laten we eens verder uitwerken hoe AI afbeeldingen genereert.

Hoe AI Machine Learning gebruikt om afbeeldingen te maken

De belangrijkste speler achter het genereren van AI-afbeeldingen is machine learning, kortweg ML.

Machine learning is een complex computerraamwerk waarmee algoritmen patronen kunnen leren, relaties kunnen herkennen en nieuwe gegevens kunnen genereren zonder veel tussenkomst van mensen. 

Dankzij hun training op enorme datasets leren ML-modellen vanzelf hoe objecten, kleuren en texturen eruit moeten zien.

Er zijn twee belangrijke technieken om deze modellen te trainen:

• Leren onder toezicht: De AI krijgt afbeeldingen te zien samen met hun beschrijvingen, zodat hij woorden kan associëren met visuele elementen.
• Leren zonder toezicht: De AI leert door patronen te analyseren in enorme datasets zonder menselijke instructies en maakt visuele informatie zelf begrijpelijk.

Op een meer technisch niveau zijn neurale netwerken hier de onderliggende technologie.

Dit zijn computermodellen die het menselijk brein nabootsen en informatie in lagen verwerken, een beetje zoals mensen.

Dit is natuurlijk nog maar het begin. 

Vervolgens leer je stap voor stap hoe het genereren van afbeeldingen met AI in zijn werk gaat. 

Hoe AI-afbeeldingen genereren werkt (stap voor stap)

We hebben de grote lijnen besproken, maar hoe werkt het genereren van AI-afbeeldingen in de praktijk? 

Het eigenlijke proces is niet zo eenvoudig als op een knop drukken en toveren. Achter elke AI-gegenereerde afbeelding zit een zorgvuldig gestructureerde pijplijn.

Hier ziet u die pijpleiding vanuit arendsoogpunt.

1. Training op enorme afbeeldingsdatasets

Voordat een AI-model afbeeldingen kan genereren, moet het eerst veel zien. En met veel bedoel ik miljoenen (of zelfs miljarden) afbeeldingen, vaak geschraapt van het internet. 

Deze afbeeldingen worden gekoppeld aan tekstuele beschrijvingen die de AI helpen te begrijpen hoe woorden zich verhouden tot visuele elementen. 

Wanneer het "een pluizige golden retriever in de zon ziet liggen", leert het dat "pluizig" verwijst naar textuur, "golden" verwijst naar kleur en "in de zon liggen" invloed heeft op belichting en schaduwen.

Deze fase is van cruciaal belang omdat een AI-model slechts zo goed is als de trainingsgegevens. 

Als de dataset onevenwichtig is, bijvoorbeeld kunst in westerse stijl of bevooroordeelde weergaven van bepaalde beroepen, dan is de AI's output zal deze vooroordelen weerspiegelen. 

Daarom stemmen onderzoekers datasets voortdurend handmatig af op diversiteit en eerlijkheid om ongelukken te voorkomen, zoals AI-gegenereerde CEO's die standaard blanke mannen van middelbare leeftijd zijn.

2. Neurale netwerken gebruiken om functies te herkennen

Zodra de AI een berg afbeeldingen heeft binnengekregen, begint hij patronen te verwerken met behulp van neurale netwerken. 

Omdat het onthouden van specifieke beelden niet praktisch is en pijnlijk beperkt zou zijn, splitst de AI ze op in numerieke waarden, waarbij trends worden herkend en waarschijnlijkheden aan relaties worden toegekend.

Het leert bijvoorbeeld dat gitaren meestal worden geassocieerd met handen, dat katten snorharen hebben en dat zonlicht zachte schaduwen werpt. 

Als je de AI vraagt om "een flamingo met een hoge hoed en een zonnebril, dansend op een strand bij zonsondergang, weergegeven in een aquarel-schilderijstijl", zal het geen bestaande afbeelding vinden om te kopiëren. 

In plaats daarvan genereert het een originele afbeelding door concepten die het heeft geleerd (flamingo, hoge hoed, zonnebril, strand, zonsondergang en aquarelstijl) samen te voegen.

3. Afbeeldingen genereren met AI-modellen

In dit stadium is de AI klaar om afbeeldingen te maken, maar hij schildert ze niet streek voor streek zoals een menselijke kunstenaar. 

In plaats daarvan gebruiken veel modellen een proces dat diffusie heet. Dit is een techniek waarbij de AI leert om beelden te "herstellen" van visuele ruis.

Zo werkt het:

1. Onderzoekers voegen tijdens de training lagen willekeurige ruis (bijvoorbeeld ruis op een oud tv-scherm) toe aan beelden.
2. De AI leert de verborgen beelden onder de ruis te herkennen.
3. Vervolgens wordt het proces omgekeerd, waarbij geleidelijk ruis wordt verwijderd totdat een helder, gedetailleerd beeld wordt verkregen.

Na verloop van tijd wordt de AI zo goed in dit proces dat hij helemaal geen originele afbeelding meer nodig heeft.

In plaats daarvan begint de AI met pure ruis wanneer je een tekstprompt invoert en verfijnt deze pixel voor pixel totdat er een geheel nieuw beeld ontstaat.

4. Output verfijnen door iteratieve training

Hoewel AI-gegenereerde beelden verbluffend realistisch kunnen zijn, is het proces niet perfect.

Soms genereert een model een afbeelding die er bijna goed uitziet, maar dan zie je een bizarre extra ledemaat of een gesmolten uitziend gezicht. Dat is waar AI-modellen iteratieve training nodig hebben.

AI-modellen verbeteren door middel van een feedbacklus waarbij ze hun gegenereerde afbeeldingen voortdurend vergelijken met echte afbeeldingen.

Dit wordt vaak gedaan met behulp van twee concurrerende netwerken:

• Een generator, die nieuwe afbeeldingen maakt
• Een discriminator, die probeert te bepalen of deze afbeeldingen echt of nep zijn

De generator wordt beter in het misleiden van de discriminator en de discriminator wordt beter in het herkennen van vervalsingen.

Dit eindeloze spel dwingt de AI om beter te worden totdat de gegenereerde afbeeldingen bijna niet meer van echt te onderscheiden zijn.

Met elke iteratie worden de AI-modellen slimmer, sneller en beter in het begrijpen van subtiele details zoals hoe reflecties werken op water, hoe verschillende materialen reageren op licht en, ja, hoe je eindelijk menselijke handen genereert die er niet uitzien alsof ze bij een eldritch horror horen.

Soorten AI-modellen voor beeldgeneratie

Onder de motorkap gebruiken AI-afbeeldingsgeneratoren verschillende soorten modellen om pixels tot leven te brengen.

Hieronder volgen enkele hoofdtypen van die modellen.

1. Generatieve adversariële netwerken (GAN's)

Zoals eerder vermeld, GAN's bestaat uit twee neurale netwerken, een generator en een discriminator, die met elkaar concurreren. De generator maakt afbeeldingen terwijl de discriminator de authenticiteit ervan beoordeelt. 

Na verloop van tijd verbetert de generator zijn vermogen om realistische afbeeldingen te produceren die de discriminator voor de gek kunnen houden. GAN's worden veel gebruikt om fotorealistische afbeeldingen van hoge kwaliteit te maken.

2. Verspreidingsmodellen

Verspreidingsmodellen beelden genereren door geleidelijk ruis toe te voegen aan gegevens en vervolgens leren het proces om te keren.

Beginnend met willekeurige ruis, verfijnt het model het beeld stap voor stap, geleid door een tekstprompt.

Deze aanpak staat bekend om het produceren van zeer gedetailleerde en diverse resultaten.

3. Variationele auto-encoders (VAE's)

VAE's afbeeldingen coderen in een gecomprimeerde latente ruimte en deze vervolgens weer decoderen tot beelden. Door te putten uit deze latente ruimte kunnen VAE's nieuwe beelden genereren die lijken op de trainingsgegevens. 

Ze worden vaak gebruikt voor taken die een gecontroleerde en gestructureerde beeldgeneratie vereisen.

4. Neurale Stijl Overdracht (NST)

Heb je ooit het portret van je huisdier willen zien in Van Goghs Sterrennachtstijl? Dat moet NSTexpertise. 

NST neemt twee bestaande beelden, een voor inhoud en een voor stijl, en mengt ze. 

Het gebruikt diepe neurale netwerken om eigenschappen zoals texturen, kleuren en patronen te isoleren en te mengen, waardoor visueel opvallende resultaten ontstaan die de stijl van beroemde kunstwerken of unieke ontwerpen nabootsen.

Toepassingen van AI beeldgeneratie

Wat ooit uren handmatig ontwerpwerk vergde, kan nu in enkele minuten worden gerealiseerd met de juiste AI tools voor het maken van content.

Hier zijn een paar van de meest invloedrijke manieren waarop het genereren van AI-afbeeldingen tegenwoordig wordt gebruikt:

• Creatieve reclamemakers: Merken gebruiken AI-beeldgeneratoren om reclameafbeeldingen, productweergaven en campagnevisuals te maken tegen een fractie van de kosten en tijd van traditionele ontwerpmethoden.

• Art: Kunstenaars en ontwerpers gebruiken AI om nieuwe stijlen te genereren, bestaande esthetieken te remixen en visuele concepten te verkennen die ze zelf misschien niet hadden kunnen bedenken.

• Blog en sociale media miniaturen en afbeeldingen: Met AI hoeven bloggers niet langer op zoek te gaan naar stockfoto's of te vertrouwen op algemene afbeeldingen. Ze kunnen gewoon aangepaste afbeeldingen genereren die passen bij het thema van hun content.

• Game-ontwikkeling en virtuele werelden: Ontwikkelaars van videogames gebruiken AI om gedetailleerde texturen, karakterontwerpen en soms hele landschappen te genereren.

Zo controleer je of een afbeelding met AI is gemaakt 

Het wordt steeds lastiger om het verschil te zien tussen door mensen gemaakte beelden en door AI gemaakte beelden, omdat AI met de dag realistischere beelden genereert.

Er zijn echter een paar handmatige technieken om te controleren of een afbeelding door AI is gegenereerd.

Zoek naar onnatuurlijke details

AI is niet perfect en soms verraden kleine maar veelzeggende fouten het.

Let op vreemd gevormde vingers, onnatuurlijke gezichtsuitdrukkingen, inconsistente belichting of asymmetrische patronen die niet overeenkomen met de echte fysica. 

Zelfs geavanceerde AI-modellen hebben soms moeite met het renderen van realistische handen, ogen of complexe texturen.

Controleer op te gladde of onscherpe gebieden

AI-gegenereerde afbeeldingen hebben vaak een griezelige zachtheid, vooral in gebieden met veel details. 

Als een afbeelding te glad lijkt, fijne textuur mist of vage randen heeft waar scherpte zou moeten zijn, kan dit het resultaat zijn van AI-generatie.

Schaduwen en reflecties analyseren

Een van de zwakke punten van AI is het nauwkeurig nabootsen van de manier waarop licht reageert op objecten.

Reflecties in spiegels of ramen komen mogelijk niet overeen met de werkelijke scène en schaduwen kunnen inconsistent of fysiek onmogelijk lijken.

Als er iets aan de verlichting "fout" lijkt te zijn, is het de moeite waard om dit verder te onderzoeken.

Omgekeerd zoeken naar afbeeldingen gebruiken

Als je vermoedt dat een afbeelding door AI is gemaakt, probeer dan eens omgekeerd te zoeken naar afbeeldingen.

Je kunt hiervoor de zoekfunctie van Google voor afbeeldingen gebruiken. 

AI-gegenereerde afbeeldingen hebben vaak geen oorsprong op het web, in tegenstelling tot stockfoto's of door gebruikers gegenereerde inhoud.

Als een afbeelding niet wordt weergegeven in de zoekresultaten, is deze mogelijk door AI gemaakt. 

Inzoomen en de fijne details inspecteren

Op het eerste gezicht kunnen AI-afbeeldingen er vlekkeloos uitzien.

Maar als je inzoomt, kunnen vreemde artefacten, repeterende texturen of vervormingen in kleine details (zoals het patroon van haar of stof) opvallen.

Ondanks al deze handmatige methoden zijn er veel fijnere details die het menselijk oog gewoon niet kan zien. 

Maar dankzij de AI-beelddetectoren die nu voor ons beschikbaar zijn, hoeven we ons niet bezig te houden met het handmatig detecteren van afbeeldingen voor AI. 

Neem De AI-beelddetector van Undetectable AIbijvoorbeeld.

Je hoeft alleen maar de foto te uploaden en de detector analyseert, met behulp van algoritmes voor machinaal leren, de foto op een dieper niveau om AI-vingerafdrukken te detecteren die met het blote oog misschien niet zichtbaar zijn.

Herinner je je de Flamingo Hat-afbeelding die is gegenereerd door Stable Diffusion AI van een paar secties terug?

Het kon Undetectable AI niet voor de gek houden. Kijk zelf maar hieronder.

Dus als je niet zeker weet of een afbeelding AI is of niet, gebruik dan Undetectable AI's AI beelddetector om het antwoord te krijgen.

Eindgedachten

AI beelden genereren is niet langer een futuristisch concept.

Het is er, het ontwikkelt zich en het wordt een fundamenteel onderdeel van het maken van digitale content. 

Begrijpen hoe AI beelden genereert, geeft je dus een cruciale voorsprong in de huidige wereld, of het nu gaat om de arbeidsmarkt of persoonlijke contacten.

Tegelijkertijd is het vermogen om door AI gegenereerde afbeeldingen uit elkaar te houden net zo belangrijk vanwege het toenemende gebruik ervan voor het maken van deepfakes.

Deze vaardigheid helpt je ook om AI-aanwijzingen in je afbeeldingen te vinden, zodat je ze kunt verwijderen om AI-inhoudsdetectie omzeilen. 

Maar met de AI-beelddetector van Undetectable AI is dat helemaal onze zorg.

Met behulp van geavanceerde algoritmen voor machinaal leren kan onze detector nauwkeurig AI-gegenereerde afbeeldingen identificeren.

Geloof ons niet op ons woord als je kunt test het zelf.

Als je hier toch bent, vergeet dan niet onze AI Detector en Humanizer te bekijken in de widget hieronder!